obtained by Hu et al. (2014) (gener

obtained by Hu et al. (2014) (generated through ‘‘2,8,8,2’’/mPLS/
MSC regression model) because SEC and SECV was slightly higher
in our study. However, they used rice flour and milled rice which
was destructive in nature but we used brown rice, which can be
used for further analysis; even for growing seedlings. Therefore,
for AC, ‘‘1,6,6,1’’/mPLS/SNV + D and for GPC, ‘‘1,4,4,1’’/mPLS/SN
V + D are the best calibration model developed under NIRS if
non-destruction of the grain and minimal sample preparation will
be considered. But, the novelty of this study lies on development of
NIRS models for proximate compositions of RB. The prediction
model developed through ‘‘1,4,4,1’’ with SNV + D under mPLS
was better because it showed high coefficient of determination
and low standard error (SEC: 0.398–0.531; SECV: 0.423–0.669
and SEP(C): 0.432–0.881) for all these bran constituents. In fact,
very limited literature is available till now in this aspect.
However, our study will be helpful for the effective utilization of
NIRS in high throughput screening of rice bran samples for their
proximate composition as well as AC and GPC of any rice samples
in nondestructive way.

ผลลัพธ์ (ไทย) 2:

ที่ได้รับจาก Hu et al, (2014) (สร้างขึ้นผ่าน '' 2,8,8,2 '' / MPLS /
MSC แบบการถดถอย) เนื่องจาก ก.ล.ต. และ SECV ก็สูงขึ้นเล็กน้อย
ในการศึกษาของเรา แต่พวกเขาใช้แป้งข้าวและแป้งข้าวซึ่ง
เป็นทำลายธรรมชาติ แต่เราใช้ข้าวกล้องซึ่งสามารถนำมา
ใช้สำหรับการวิเคราะห์ต่อไป; แม้สำหรับต้นกล้าเจริญเติบโต ดังนั้น
สำหรับ AC '' 1,6,6,1 '' / MPLS / SNV + D และ GPC '' 1,4,4,1 '' / MPLS / SN
V + D เป็นรูปแบบการสอบเทียบที่ดีที่สุดสำหรับการพัฒนา ภายใต้ NIRS ถ้า
ไม่ใช่การทำลายของเมล็ดพืชและการเตรียมตัวอย่างน้อยที่สุดจะ
ได้รับการพิจารณา แต่ความแปลกใหม่ของการศึกษาครั้งนี้อยู่ที่การพัฒนาของ
รุ่น NIRS สำหรับองค์ประกอบที่ใกล้เคียงของ RB ทำนาย
รูปแบบการพัฒนาผ่าน '' 1,4,4,1 '' กับ SNV + D ภายใต้ MPLS
เป็นเรื่องที่ดีเพราะมันแสดงให้เห็นว่าค่าสัมประสิทธิ์สูงของความมุ่งมั่น
และข้อผิดพลาดมาตรฐานต่ำ ( ก.ล.ต. : 0.398-0.531; SECV: 0.423-0.669
และกันยายน ( c): 0.432-0.881) ทั้งหมดเหล่านี้เป็นคนละรำ ในความเป็นจริง
วรรณกรรม จำกัด มากสามารถใช้ได้จนถึงขณะนี้ในแง่นี้.
อย่างไรก็ตามจากการศึกษาของเราจะเป็นประโยชน์สำหรับการใช้งานที่มีประสิทธิภาพของ
NIRS ในการตรวจคัดกรองสูงผ่านตัวอย่างรำข้าวสำหรับพวกเขา
องค์ประกอบใกล้เคียงรวมทั้ง AC และ GPC ของตัวอย่างข้าว
ใน วิธีที่ไม่ทำลาย

ผลลัพธ์ (ไทย) 3:

ได้รับโดย Hu et al . ( 2014 ) ( สร้างผ่าน ' '2,8,8,2 ' ' / MPLS /MSC ) และแบบจำลองการถดถอยเพราะ secv ได้เพิ่มขึ้นเพียงเล็กน้อยในการศึกษาของเรา อย่างไรก็ตาม พวกเขาใช้แป้งข้าวและข้าวที่ถูกทำลายในธรรมชาติ แต่เราใช้ข้าวกล้อง ซึ่งสามารถใช้สำหรับการวิเคราะห์ต่อไป แม้กระทั่งสำหรับการปลูกต้นกล้า ดังนั้นสำหรับ AC ' '1,6,6,1 ' ' / MPLS / snv และ GPC + D ' '1,4,4,1 ' ' / MPLS / สินีv + D จะดีที่สุดการสอบเทียบแบบจำลองภายใต้ nirs ถ้าไม่ทำลายเมล็ดข้าวและการเตรียมสารตัวอย่างจะน้อยที่สุดได้รับการพิจารณา แต่ความแปลกใหม่ของการศึกษานี้อยู่ในการพัฒนาของnirs รุ่นรอบองค์ประกอบของ RB . การทำนายรูปแบบการพัฒนาผ่าน ' ' กับ ' '1,4,4,1 snv + D ภายใต้ MPLSดีกว่าเพราะมันแสดงให้เห็นว่า การหาค่าสัมประสิทธิ์สูงและข้อผิดพลาดมาตรฐานต่ำ ( วินาที : 0.398 – 0.531 ; secv : 0.423 – 0.669และ ก.ย. ( C ) : 0.432 – 0.881 ) เหล่านี้ทั้งหมด และองค์ประกอบ ในความเป็นจริงวรรณกรรม ) สามารถใช้ได้จนถึงปัจจุบันในด้านนี้อย่างไรก็ตาม การศึกษาของเราจะเป็นประโยชน์สำหรับการใช้ของที่มีประสิทธิภาพnirs ในการคัดกรอง throughput สูงตัวอย่างของน้ำมันรำข้าววิเคราะห์องค์ประกอบเช่นเดียวกับ AC และ GPC ของข้าวตัวอย่างในใหม่วิธี